激光雷达能够准确输出障碍物的大小和距离，通过算法对点云数据的处理可以输出障碍物的3D框，如：3D行人检测、3D车辆检测等；亦可进行车道线检测、场景分割等任务。除了障碍物感知，激光雷达还可以用来制作高精度地图。地图采集过程中，激光雷达每隔一小段时间输出一帧点云数据，这些点云数据包含环境的准确三维信息，通过把这些点云数据做拼接，就可以得到该区域的高精度地图。在定位方面，智能车在行驶过程中利用当前激光雷达采集的点云数据帧和高精度地图做匹配，可以获取智能车的位置。具备出色抗强光能力，览沃 Mid - 360 室内外环境切换性能无缝衔接。福建轨旁入侵激光雷达
反射率，反射率是指物体反射的辐射能量占总辐射能量的百分比，比如说某物体的反射率是20%，表示物体接收的激光辐射中有20%被反射出去了。不同物体的反射率不同，这主要取决于物体本身的性质（表面状况），如果反射率太低，那么激光雷达收不到反射回来的激光，导致检测不到障碍物。激光雷达一般要求物体表面的反射率在10%以上，用激光雷达采集高精度地图的时候，如果车道线的反射率太低，生成的高精度地图的车道线会不太清晰。扫描帧频，激光雷达点云数据更新的频率。对于混合固态激光雷达来说，也就是旋转镜每秒钟旋转的圈数，单位Hz。例如，10Hz即旋转镜每秒转10圈，同一方位的数据点更新10次。北京觅道Mid-360激光雷达激光雷达的高稳定性使其在太空探测任务中备受青睐。
我们可以根据 LiDAR 能描绘出稀疏的三维世界的特点，而扫描得到的障碍物点云通常又比背景更密集，通过分类聚类的方法可以利用其进行感知障碍物。而随着深度学习带来的检测和分割技术上的突破，LiDAR 已经能做到高效的检测行人和车辆，输出检测框，即 3D bounding box，或者对点云中的每一个点输出 label，更有甚者在尝试使用 LiDAR 检测地面上的车道线。在三维目标识别的对象方面，较初研究主要针对立方体、柱体、锥体以及二次曲面等简单形体构成的三维目标。
应用层面，目前暂无车规级量产案例，OPA方案的表示企业为Quanergy。2021年8月，Quanergy对其OPA固达态激光雷达S3系列完成驾驶实测演示。测试结果显示，S3系列固态激光雷达可以提供超过10万小时的平均无故障时间（MTBF），在全光照下实现100米的探测性能，大规模量产后的目标价格为500美元。由于结构简单，Flash闪光激光雷达是目前纯固态激光雷达较主流的技术方案。但是由于短时间内发射大面积的激光，因此在探测精度和探测距离上会受到较大的影响，主要用于较低速的无人驾驶车辆，例如无人外卖车、无人物流车等，对探测距离要求较低的自动驾驶解决方案中。混合固态技术赋能，Mid - 360 实现 360° 全向超大视场角感知。
在体积限制下，Flash激光雷达的功率密度不能很高。因此，Flash激光雷达目前的问题是，由于功率密度的限制，无法考虑三个参数：视场角、检测距离和分辨率，即如果检测距离较远，则需要放弃视场角或分辨率；如果需要高分辨率，则需要放弃视场角或检测距离。Flash激光雷达采用面光源泛光成像，其发射的光线会散布在整个视场内，因此不需要折射就可以覆盖FOV区域了，难点在于如何提升其功率密度从而提升探测精度和距离，目前通常使用VCSEL光源组成二维矩阵形成面光源。桥梁检测使用激光雷达识别病害，保障桥梁安全通行。深圳览沃激光雷达渠道
激光雷达在农业领域用于监测作物生长情况。福建轨旁入侵激光雷达
激光雷达按照测距方法可以分为飞行时间（TimeofFlight，ToF）测距法、基于相干探测FMCW测距法、以及三角测距法等，其中ToF与FMCW能够实现室外阳光下较远的测程（100～250m），是车载激光雷达的好选择方案。ToF是目前市场车载中长距激光雷达的主流方案，未来随着FMCW激光雷达整机和上游产业链的成熟，ToF和FMCW激光雷达将在市场上并存。根据激光雷达按测距方法分类：ToF法：通过直接测量发射激光与回波信号的时间差，基于光在空气中的传播速度得到目标物的距离信息，具有响应速度快、探测精度高的优势。FMCW法：将发射激光的光频进行线性调制，通过回波信号与参考光进行相干拍频得到频率差，从而间接获得飞行时间反推目标物距离。FMCW激光雷达具有可直接测量速度信息以及抗干扰（包括环境光和其他激光雷达）的优势。福建轨旁入侵激光雷达
